python中多个列表的产品总和

Question

试图模仿 Excel 的 SUMPRODUCT 函数：

SUMPRODUCT(v1, v2, ..., vN) =
    v1[0]*v2[0]*...*vN[0] + v1[1]*v2[1]*...*vN[1] + ... + v1[n]*v2[n]*...*vN[n]

其中 n 是每个向量中的元素数。

这类似于点积，但适用于多个向量。我阅读了常规点积的the very detailed discussion，但我不知道如何干净地将其扩展到多个向量。作为参考，我正在复制那里提出的优化代码，我将其（微不足道地）移植到 Python 3。顺便说一句，对于点积，最后一种方法仍然在 P3K 中获胜。

def d0(v1,v2):
    """                                                                                                     
    d0 is Nominal approach:                                                                                 
    multiply/add in a loop                                                                                  
    """
    out = 0
    for k in range(len(v1)):
        out += v1[k] * v2[k]
    return out

def d1(v1,v2):
    """                                                                                                     
    d1 uses a map                                                                        
    """
    return sum(map(mul,v1,v2))

def d3(v1,v2):
    """                                                                                                     
    d3 uses a starmap (itertools) to apply the mul operator on an zipped (v1,v2)                           
    """
    return sum(starmap(mul,zip(v1,v2)))

Answer 1

import operator

def sumproduct(*lists):
    return sum(reduce(operator.mul, data) for data in zip(*lists))

对于python 3

import operator
import functools

def sumproduct(*lists):
    return sum(functools.reduce(operator.mul, data) for data in zip(*lists))

Answer 2

映射列表以创建产品列表，然后对其求和。

这可以在一行中完成：

sum(map(lambda Xi, Yi: Xi * Yi, ListX, ListY))

Answer 3

旧的列表推导怎么样？ （正如@Turksarama 提到的，这只适用于两个列表）

sum([x * y for x, y in zip(*lists)])

在 Python 3.6 中测试：

In [532]: import random

In [534]: x = [random.randint(0,100) for _ in range(100)]

In [535]: y = [random.randint(0,100) for _ in range(100)]

In [536]: lists = x, y

使用列表推导

In [543]: %timeit(sum([x * y for x, y in zip(*lists)]))
8.73 µs ± 24.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

请注意，“元组”推导式是 slower

In [537]: %timeit(sum(x * y for x, y in zip(*lists)))
10.5 µs ± 170 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

使用map

In [539]: %timeit(sum(map(lambda xi, yi: xi * yi, x, y)))
12.3 µs ± 144 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

使用functools.reduce

In [542]: %timeit(sum(functools.reduce(operator.mul, data) for data in zip(*lists)))
38.6 µs ± 330 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)